Dépôt numérique
RECHERCHER

Utilisation des réseaux de neurones pour la cartographie des milieux humides à partir d'une série temporelle d'images RADARSAT-1.

Ghedira, Hosni (2002). Utilisation des réseaux de neurones pour la cartographie des milieux humides à partir d'une série temporelle d'images RADARSAT-1. Thèse. Québec, Université du Québec, Institut national de la recherche scientifique, Doctorat en sciences de l'eau, 230 p.

[img]
Prévisualisation
PDF
Télécharger (20MB) | Prévisualisation

Résumé

Cette recherche visait à évaluer l'utilité des images Radarsat-1 dans la cartographie des milieux humides et à tester l'efficacité des réseaux de neurones pour la classification de ces milieux. Au Québec, les milieux humides représentent 9% du territoire. L'étude de ces vastes territoires très diversifiés et très complexes représente un véritable défi qui nécessite l'intégration de nouvelles méthodes et l'utilisation d'outils complémentaires aux méthodes conventionnelles de terrain. Toutefois, la superficie étendue du territoire ainsi que la nécessité d'un suivi continu et efficace rendent la télédétection le meilleur outil rentable pour contrôler et surveiller ces milieux. La télédétection radar représente un outil intéressant grâce à sa fréquence d'acquisition élevée et surtout, son indépendance relative face aux conditions météorologiques et d'illumination. De plus, les milieux humides, avec leur diversité végétale et leur spécificité hydrologique, réunissent la majorité des facteurs influençant l'interaction de l'onde radar avec la scène observée soit l'humidité, la physionomie végétale, la rugosité et la densité de la flore. La région du Lac St-Jean (48°50' Nord et 72°00'Ouest) a été choisie comme site d'étude. Cette région contient une diversité de milieux humides regroupés au nord et à l'est du lac. Six images Radarsat en mode standard (S1 et S7) ont été acquises dans le cadre de ce projet. L'analyse de ces images a montré que les deux modes d'acquisition S1 et S7 sont deux outils complémentaires pour une cartographie précise des milieux humides. Ils permettent une bonne délimitation entre ces milieux et les milieux avoisinants(S1) et peuvent détecter la variation de la végétation à l'intérieur du milieu humide(S7). Les analyses de séparabilité effectuées sur les classes végétales des milieux humides ont montré que les images acquises en mode S1 ne donnent pas une grande discrimination entre ces classes. Cependant, le mode d'acquisition S7 reste plus sensible à la variation de la composition végétale à l'intérieur des milieux humides malgré la faiblesse du signal retourné au satellite. Ceci est dû principalement à l'effet négatif de l'humidité du sol sur la rétrodiffusion en mode S1. Le seul apport des images acquises en mode S1 reste leur pouvoir discriminatoire entre les milieux humides(toutes classes confondues) et les milieux forestiers avoisinants. En outre, ces analyses de séparabilité et les résultats de classification ont montré que l'ajout de la texture au processus de classification augmente considérablement la précision des résultats. En effet, les mesures de texture sont avérées très utiles pour ressortir les informations dissimulées dans les images radar et pour discriminer les différentes composantes structurales des milieux humides. Pour atteindre le deuxième objectif, une méthode classification des images radar par réseaux de neurones a été développée. Cette méthode a été adaptée aux images Radarsat-1 en tenant compte de leurs caractéristiquess pécifiques et en exploitant la diversité des informations contenues dans chaque bande de données. Pour se faire, nous avons optimisé les paramètres extérieurs et intérieurs du réseau (architecture du réseau, nature des intrants, paramètres d'apprentissage, seuil de décision,...etc.) pour extraire le maximum d'informations des données disponibles. Une comparaison entre la méthode de classification par maximum de vraisemblance et la méthode des réseaux de neurones a montré que cette dernière offre une performance supérieure quand il s'agit des classes végétales des milieux humides. Toutefois, la méthode du maximum de vraisemblance est plus performante quand il s'agit de classifier les milieux forestiers.

Type de document: Thèse
Directeur de mémoire/thèse: Bernier, Monique
Co-directeurs de mémoire/thèse: Ouarda, Taha B.M.J.
Mots-clés libres: réseaux de neurones; cartographie; milieux humides; RADARSAT-1; télédétection; radar; images satellites; classification
Centre: Centre Eau Terre Environnement
Date de dépôt: 16 nov. 2012 19:00
Dernière modification: 18 nov. 2015 20:43
URI: http://espace.inrs.ca/id/eprint/347

Actions (Identification requise)

Modifier la notice Modifier la notice